基于Sentinel-2A/B时序数据与随机森林算法的农耕区土地利用分类

农耕区土地覆被信息是土地资源管理与规划的基础,在合理开发土地资源,调整土地利用结构以及土地动态监测等方面起着重要作用。由于农耕区土地类型复杂并且具有高异质性的特点,土地覆被信息提取的精度一直面临着挑战。因此,以Sentinel-2A/B多光谱遥感数据作为数据源,首先构建归一化植被指数(normalized difference vegetation index,NDVI)时序数据集和缨帽-湿度分量(tasseled cap wetness,TCW)时序数据集;其次,利用J-M(Jeffries-Matusita)距离对地物进行可分离性分析和挑选出NDVI和TCW最佳时序数据组合;最后,结合随机森林(random forest,RF)、支持向量机(support vector machine,SVM)、最大似然分类(maximum likelihood classification,MLC) 3种分类算法以及利用单时相遥感数据对农耕区典型地物进行分类研究。研究结果表明:基于时间序列数据结合随机森林分类算法取得了较高的分类精度,其总体分类精度达到88.87%,Kappa系数达到0.855 7,与利用单时相影像数据分类结果的精度相比分别提高了10.05百分点和0.209 3,这充分说明利用时序数据结合RF分类算法在农耕地区能够有效提高典型地物的分类精度。